Jornada do usuário completa para cada modelo

O BigQuery ML é compatível com uma variedade de modelos de machine learning e um fluxo completo de machine learning para cada modelo, como pré-processamento de atributos, criação de modelos, ajuste de hiperparâmetros, inferência, avaliação, exportação de modelos e assim por diante. O fluxo de machine learning para os modelos é dividido nas duas tabelas a seguir:

Fase de criação de modelos

Categoria do modelo Tipos de modelos Criação de modelos Pré-processamento de recursos Ajuste de hiperparâmetro Pesos do modelo Informações de recurso e treinamento Tutoriais
Aprendizado supervisionado Regressão linear e logística Criar modelo Pré-processamento automático,
Pré-processamento manual1
Ajuste de HP2
ml.trial_info
ml.weights ml.feature_info
ml.training_info
Redes neurais profundas Criar modelo NA5 Não relevante
Amplitude e profundidade Criar modelo NA5 Não relevante
Árvores aprimoradas Criar modelo NA5 Não relevante
Floresta aleatória Criar modelo NA5 Não relevante
AutoML Tables Criar modelo NA3 NA3 NA5 Não relevante
Aprendizado não supervisionado K-means Criar modelo Pré-processamento automático,
Pré-processamento manual1
Ajuste de HP2
ml.trial_info
ml.centroids ml.feature_info
ml.training_info
estações de ciclismo de cluster
Fatoração de matrizes Criar modelo Não relevante Ajuste de HP2
ml.trial_info
ml.weights
PCA Criar modelo Pré-processamento automático,
Pré-processamento manual1
Não relevante ml.principal_
components
,
ml.principal_
component_info
Não relevante
Codificador automático Criar modelo Pré-processamento automático,
Pré-processamento manual1
Não relevante NA5 Não relevante
Modelos de série temporal ARIMA_PLUS Criar modelo Pré-processamento automático auto.ARIMA4 ml.arima_ coefficients ml.feature_info
ml.training_info
ARIMA_PLUS_XREG
(Visualização)
Criar modelo Pré-processamento automático auto.ARIMA4 ml.arima_ coefficients ml.feature_info
ml.training_info
previsão multivariável
Modelos importados TensorFlow Criar modelo Não relevante Não relevante Não relevante Não relevante prever com o modelo importado do TensorFlow
TensorFlow Lite
(Visualizar)
Criar modelo Não relevante Não relevante Não relevante Não relevante Não relevante
ONNX
(Visualizar)
Criar modelo Não relevante Não relevante Não relevante Não relevante
XGBoost
(Visualizar)
Criar modelo Não relevante Não relevante Não relevante Não relevante Não relevante
Modelos remotos Modelo remoto com um endpoint da Vertex AI
(Pré-lançamento)
Criar modelo Não relevante Não relevante Não relevante Não relevante prever com modelos remotos
Modelo remoto na API Cloud Vision
(Pré-lançamento)
Criar modelo Não relevante Não relevante Não relevante Não relevante Não relevante
Modelo remoto na API Cloud Translation
(Pré-lançamento)
Criar modelo Não relevante Não relevante Não relevante Não relevante Não relevante
Modelo remoto na API Cloud Natural Language
(Pré-lançamento)
Criar modelo Não relevante Não relevante Não relevante Não relevante Não relevante

1Consulte a cláusula TRANSFORM para o tutorial de engenharia de atributos.

2 Consulte o tutorial Usar ajuste de hiperparâmetros para melhorar o desempenho do modelo.

3A engenharia de atributos automática e o ajuste de hiperparâmetros são incorporados ao treinamento de modelo do AutoML Tables por padrão.

4O algoritmo auto.ARIMA realiza o ajuste de hiperparâmetros para o módulo de tendência. O ajuste de hiperparâmetros não é compatível com todo o pipeline de modelagem. Consulte o pipeline de modelagem para mais detalhes.

5O BigQuery ML não é compatível com funções que recuperam os pesos de modelos de árvores otimizadas, floresta aleatória, DNN, amplitude e profundidade, Autoencoder ou AutoML Tables. Para ver o peso desses modelos, exporte um modelo atual do BigQuery ML para o Cloud Storage e use a biblioteca XGBoost ou o TensorFlow para visualizar a estrutura em árvore dos modelos de árvore ou a estrutura de gráfico das redes neurais. Para mais informações, consulte a documentação do MODELO DE EXPORTAÇÃO e o tutorial do MODELO DE EXPORTAÇÃO.

Fase de uso do modelo

Categoria do modelo Tipos de modelos Avaliação Inferência Explicação do AI Exportação de modelo Tutoriais
Aprendizado supervisionado Regressão linear e logística ml.evaluate
ml.confusion_matrix1
ml.roc_curve2
ml.predict ml.explain_predict3
ml.global_explain
ml.advanced_weights8
exportar modelo5
Redes neurais profundas Não relevante
Amplitude e profundidade Não relevante
Árvores aprimoradas ml.explain_predict3
ml.global_explain
ml.feature_importance4
Não relevante
Floresta aleatória Não relevante
AutoML Tables Não relevante Não relevante
Aprendizado não supervisionado K-means ml.evaluate ml.predict
ml.detect_anomalies
Não relevante exportar modelo5 estações de ciclismo de cluster
Fatoração de matrizes ml.recommend
PCA ml.predict
ml.detect_anomalies
Não relevante
Codificador automático ml.predict
ml.detect_anomalies
ml.reconstruction_loss
Não relevante
Modelos de série temporal ARIMA_PLUS ml.evaluate
ml.arima_evaluate6
ml.forecast
ml.detect_anomalies
ml.explain_forecast7 Não relevante
ARIMA_PLUS_XREG
(Visualização)
ml.evaluate
ml.arima_evaluate6
ml.forecast Não relevante Não relevante previsão multivariável
Modelos importados TensorFlow Não relevante ml.predict Não relevante exportar modelo5 prever com o modelo importado do TensorFlow
TensorFlow Lite
(Visualizar)
Não relevante ml.predict Não relevante Não relevante Não relevante
ONNX
(Visualizar)
Não relevante ml.predict Não relevante Não relevante
XGBoost
(Visualizar)
Não relevante ml.predict Não relevante Não relevante Não relevante
Modelos remotos Modelo remoto com um endpoint da Vertex AI
(Pré-lançamento)
ml.evaluate ml.predict Não relevante Não relevante prever com modelos remotos
Modelo remoto na API Cloud Vision
(Pré-lançamento)
Não relevante ml.annotate_image Não relevante Não relevante Não relevante
Modelo remoto na API Cloud Translation
(Pré-lançamento)
Não relevante ml.translate Não relevante Não relevante Não relevante
Modelo remoto na API Cloud Natural Language
(Pré-lançamento)
Não relevante ml.understand_text Não relevante Não relevante Não relevante

1ml.confusion_matrix é aplicável somente a modelos de classificação.

2ml.roc_curve é aplicável somente a modelos de classificação binária.

3ml.explain_predict é uma versão estendida de ml.predict. Para mais informações, consulte Visão geral da Explainable AI. Para saber como a ml.explain_predict é usada, consulte o tutorial de regressão e o tutorial de classificação.

4Para saber a diferença entre ml.global_explain e ml.feature_importance, consulte a Visão geral da Explainable AI.

5Veja o tutorial Exportar um modelo do BigQuery ML para previsão on-line.

6Para modelos ARIMA_PLUS ou ARIMA_PLUS_XREG, ml.evaluate pode receber novos dados como entrada para calcular métricas de previsão, como erro percentual absoluto médio (MAPE). Na ausência de novos dados, ml.evaluate tem uma versão ml.arima_evaluate estendida que gera informações de avaliação diferentes.

7ml.explain_forecast é uma versão estendida de ml.forecast. Para mais informações, consulte Visão geral da Explainable AI. Para saber como o ml.explain_forecast é usado, consulte as etapas de visualização de resultados dos tutoriais de previsão de série temporal única e previsão de várias séries temporais.

8ml.advanced_weights é uma versão estendida de ml.weights. Consulte ml.advanced_weights para mais detalhes.